“行业以往的‘统一视觉’，多是把检测、分割、深度预测等多个专家模型打包封装，本质还是割裂的。”商汤科技今天发布并全面开源了日日新SenseNova-Vision视觉大模型，一上来就戳破了行业那层窗户纸。这款模型的思路简单粗暴：不再把视觉能力当外挂插件，而是让视觉变成大模型的原生能力，目标检测、图像分割、深度预测、3D重建这些经典任务，全部在一个模型里原生统一。
评测结果有点不讲武德。SenseNova-Vision凭借单个模型，在四大核心视觉领域直接把各领域的专用“专家模型”按在地上摩擦，甚至实现领跑。先看结构化视觉理解，什么目标检测、指代检测、OCR、关键点定位，它统统拿下头名；尤其遇到稠密小目标、长尾类别这种让传统模型头疼的场景，反而表现得更稳。稠密几何预测方面，深度估计、表面法向估计精度直接对齐几何专用模型，室内、室外各种场景下都稳得一批。分割能力也不含糊，通用分割、推理分割、交互式分割全链路拉通，凭借多模态理解力，在推理分割和对话式分割上直接“惊艳”了一把。多视角3D几何更绝，单模型就能高质量完成点云重建和相机位姿估计，这项能力在通用视觉路线里目前还没有对手。
横向对比更加惨烈。和语义导向模型如Youtu-VL相比，SenseNova-Vision在检测、分割、深度这些拼细节的任务上全面领先。而面对生成导向的Vision Banana，代际差距直接拉满：几乎所有权威评测指标上，SenseNova-Vision都压过对手一头，而且这还是单模型挑全任务。Vision Banana只能应对四大板块里的两类任务，SenseNova-Vision却把结构化理解、稠密几何、全景分割、多视角3D一口气全包了，更狠的是模型、数据同步开源，没藏着掖着。
商汤还顺手扔出了5000万条样本的视觉指令语料库SenseNova-Vision Corpus-50M，算是给社区送了一份大礼。按照商汤的规划，SenseNova-Vision的核心技术后续会全面融入日日新U系列大模型，让商业落地再多一层想象空间。同行还在费劲拼拼图，商汤直接画好了一张完整的地图——而且把地图免费发放了。
热门跟贴